论文部分内容阅读
在实际建模过程中,模型的好坏主要是由目标值与相关特征之间的映射关系所决定的,而许多复杂系统存在着非线性和强耦合性等问题,使其很难构建高精度的模型。神经网络的提出为以上问题提供了有效的解决方案,然而伴随着神经网络层数的不断加深,模型参数指数增加,故参数优化和过深的网络结构成为神经网络现阶段面临的主要问题,另外模型若不能达到期望效果时,则需消耗时间重新学习。针对此问题,宽度学习算法以其独特的学习机制不但克服了冗长的参数迭代过程,而且可以逐步增加网络节点并在不需要重新建模的情况下更新节点,具有较短的训练时间和较好的泛化能力。为了进一步提高宽度学习算法的性能,本文在其基础上进行了改进,并在图像分类和数据回归上验证了改进后算法的性能,具体研究成果和实际意义描述如下:(1)提出了一种局部感受野的宽度学习算法(Local Receptive Fields based Broad Learning System,BLS-LRF),该算法结合了宽度学习算法(Broad Learning System,BLS)和局部感受野(Local Receptive Fields,LRF)思想。为了检验算法的有效性,将其应用于经典的MNIST和NORB图像分类数据集上。并与卷积神经网络算法、残差神经网络等经典算法进行对比,仿真结果表明BLS-LRF算法不仅提高了算法的泛化性能,而且大大缩短了训练学习的过程。(2)提出了一种多并联宽度学习算法(Multiple Parallel Broad Learning System,MPBLS),用于解决图像分类和数据回归等问题。仿真结果表明在图像分类问题上,MPBLS与其他经典的算法相比,其提高了算法的分类精度同时降低了算法训练所需时间。在数据回归问题上,MPBLS与其他算法相比,该算法不仅表现出了较好的数据拟合能力和泛化能力,而且通过小数据的优异性能可以看出MPBLS对训练样本的大小依赖性较小。